PCL——Filter

PCL中总结了需要进行点云滤波处理的情况：
1、点云数据密度不规则需要平滑。
2、因为遮挡等问题造成离群点需要去除。
3、大量数据需要进行下采样。
4、噪声数据需要去除。

滤波器种类：
1、直通滤波；
2、双边滤波；
3、体素格滤波；
4、均匀采样；
5、增采样；
6、统计滤波；
7、半径滤波；
8、参数化模型投影点云；
9、ExtractIndices滤波；
10、ConditionalRemoval；
11、RadiusOutilerRemoval；
12、CropHull任意多边形内部点云提取；

直通滤波器

过滤掉在指定维度方向上取值不在给定阈值内的点

实现原理：
1、首先，指定一个维度以及该维度下的值域；
2、其次，遍历点云中的每个点，判断该点在指定维度上的取值是否在值域内，删除取值不在值域内的点；
3、最后，遍历结束，留下的点即构成滤波后的点云。

直通滤波器简单高效，适用于消除背景，消除高程等操作。

双边滤波器

核心思想：通过邻近采样点的加权平均来修正当前采样点的位置。同时也会有选择的剔除部分与当前采样点差异太大的相邻采样点，从而达到保持原有特征的目的。

滤波器核有两个函数生成：空间域核，值域核。

双边滤波可以保边去噪。双边滤波卷积计算两个权值，一个用于空间域核（高斯滤波），一个用于值域核，如果卷积在边缘（特征差异较大），值域核权值将会变小降低权重，抑制空间域核的作用。

体素格滤波器（VoxelGrid）

体素化网格实现下采样（减少点的数量），同时保持点云的形状特征。

实现原理：
（1）使用点云数据创建出相应的三维体素栅格（微小三维立方体的集合）
（2）然后在每个体素内，用体素内所有点的重心来近似代表其他的点（体素内的所有点用其重心点表示）

均匀采样（UniformSampling）

实现原理：和VoxelGrid滤波很相似，但是VoxelGrid滤波采用的是立方体体素重心，而UniformSamping取半径r的球体的重心。

增采样（UpSampling）

增采样是一种表面重建方法，当点云数据少时，增采样可以通过内插目前拥有的点云数据，恢复出原有的表面。

统计滤波器（StatisticOutilerRemoval）

使用统计分析技术来去除离群点。

核心思想：假设点云中所有的点与其最近的k个邻居点的平均距离满足高斯分布，那么，根据均值和方差可以确定一个距离阈值，当某个点与其最近k个点的平均距离大于这个阈值时，判定该点为离群点并去除。

实现原理：首先，遍历点云，计算每个点与其最近的k个邻居点之间的平均距离；其次，计算所有平均距离的均值μ与标准差σ，则距离阈值dmax可表示为dmax=μ＋α×σ，α是一个常数，可称为比例系数，它取决于邻居点的数目；最后，再次遍历点云，剔除与k个邻居点的平均距离大于dmax的点。

参数化模型投影点云

将点云投影到参数化模型上（平面，球）。参数化模型由一组参数来设定。比如平面ax + by + cy + d = 0由四个参数所确定。PCL中有特意存储常见模型系数的数据结构。

ExtractIndices滤波器

基于某一分割算法提取点云中的一个子集。

RadiusOutilerRemoval

RadiusOutilerRemoval核心思想：删除输入点云一定范围内近邻点数量没有达到要求的点。

ConditionalRemoval

用于删除点云中不符合用户指定的一个或多个条件的点。

CropHull任意多边形内部点云提取

输入一个2D封闭的多边形和一个2D平面点云（这些平面点是多边形的顶点），然后提取属于该2D封闭的多边形内部或外部的点。